باحثون يطورون أداة للمقارنة بين تجارب الذكاء الاصطناعي عبر أنظمة مختلفة

تشبه أبحاث الذكاء الاصطناعي اليوم مطبخاً يستخدم فيه كل طاهٍ لغة ومكاييل مختلفة. عندما يستخدم العلماء أنظمة الأبحاث المعتمدة على الذكاء الاصطناعي (ADRS) لحل مشكلات معقدة، غالباً ما ينتهي بهم الأمر ببيانات يصعب مقارنتها. يعمل كل فريق في معزل عن الآخر، مما يجعل من الصعب رؤية الصورة الكاملة.

يهدف مشروع جديد يسمى ROAR إلى تغيير هذا الواقع من خلال إنشاء لغة مشتركة لهذه التجارب. طور الباحثون بنية تحتية مركزية تعمل كمترجم لمخرجات الذكاء الاصطناعي المتنوعة، حيث تجمع البيانات من منصات مختلفة وتضعها في تنسيق واحد منظم.

ولاختبار ذلك، جمع الفريق أكثر من 900 تجربة بحثية. ومن خلال تجميع هذه المعلومات، تمكنوا من رصد أنماط كانت ستبقى غير مرئية لو ظلت البيانات حبيسة أنظمة منفصلة.

وجد الفريق أن العديد من تجارب الذكاء الاصطناعي تحقق أكبر تحسيناتها في مراحلها المبكرة. كما اكتشفوا أن تكرار نفس الإعدادات لا يضمن دائماً نفس النتيجة، مما يسلط الضوء على أهمية تحليل مجموعات البيانات الضخمة بدلاً من التجارب الفردية.

تخيل أنك تريد معرفة أفضل وصفة لخبز الخبز من خلال قراءة آلاف الملاحظات لخبازين يستخدمون جميعاً مكونات وإعدادات أفران مختلفة. هذا هو بالضبط ما تقوم به ROAR للباحثين.

إلى جانب مجرد النظر إلى البيانات السابقة، استخدم الباحثون المعلومات المجمعة لضبط التجارب المستقبلية بشكل أفضل. وهذا يحول النظام إلى أداة نشطة للتخطيط بدلاً من مجرد أرشيف رقمي.

لا تحل هذه البنية التحتية بعد مشكلة جودة البيانات أو تكلفة تشغيل هذه التجارب. كما أنها لا تصلح تلقائياً المشكلات داخل الأنظمة الفردية نفسها، حيث تركز على تنظيم المخرجات بدلاً من رمز الذكاء الاصطناعي الأساسي.